TELKOMNIKA ISSN: 1693-6930
3
26 kelas untuk masing-masing jenisnya. Semakin banyak kelas pola yang akan dikenali juga akan memerlukan waktu yang lebih lama pada sat pembelajarannya.
a e
h n
i j
l i
u v
z t
D O
Q O
Gambar 2. Contoh karakter yang mempunyai bentuk pola serupa Berdasarkan hal tersebut di atas penulis bermaksud menganalisis sejauh mana
hubungan antara tingkat pengenalan jaringan syaraf tiruan dengan tingkat kemiripan pola karakternya. Akan dianalisis tingkat pengenalan pola karakter huruf besar tulisan tangan
sejumlah 26 kelas pola A, B, C, …, sampai Z dan pola karakter huruf kecil tulisan tangan sejumlah 26 kelas pola yaitu a, b, c, …, sampai z. Dari segi jumlah kelas karakter maka
jumlah kelas jumlah karakter huruf besar sama dengan huruf kecil yaitu masing-masing 26 kelas, namun karakter huruf kecil tulisan tangan mempunyai pola karakter yang lebih bervariasi
serta lebih mirip satu dengan lainnya pada model tulisan tiap hurufnya dibandingkan pola karakter huruf besar tulisan tangan. Hubungan antara tingkat pengenalan jaringan syaraf tiruan
dengan tingkat variasi pola karakternya pada jumlah kelas pengenalan yang sama inilah yang menjadi tujuan penelitian ini.
2. JARINGAN SYARAF TIRUAN ALGORITMA PERAMBATAN BALIK
Jaringan syaraf lapis-jamak multilayer sudah terbukti handal dipakai untuk aplikasi umum. Yang termasuk jaringan lapis-jamak dengan pelatihan terbimbing supervised antara
lain jaringan perambatan-balik backpropagation. Metode pelatihan perambatan-balik secara sederhana adalah metode gradient descent penurunan gradien untuk meminimalkan total
galat kuadrat keluaran. Aplikasi jaringan ini melibatkan pemetaan sekumpulan masukan terhadap sekumpulan target keluaran, jadi termasuk kategori jaringan dengan pelatihan
terbimbing.
Tujuan pelatihan jaringan ini adalah mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap pola masukan yang dipakai untuk pelatihan jaringan
memorization dan kemampuan memberikan tanggapan yang layak untuk masukan yang sejenis namun tidak identis dengan yang dipakai pada pelatihan generalization. Pelatihan
jaringan perambatan balik melibatkan tiga tahap yaitu umpan-maju pelatihan pola masukan, komputasi dan perambatan-balik galat, serta perubahan bobot. Setelah pelatihan, aplikasi
jaringan hanya melibatkan tahap komputasi umpan-maju. Walaupun proses pelatihan jaringan
Analisis Hubungan Tingkat Pengenalan Pola………….Iwan Suhardi
ISSN: 1693-6930
4 berlangsung relatif lambat, namun jaringan yang telah dilatih dapat menghasilkan keluaran
dengan sangat cepat. Jaringan syaraf lapis-jamak dengan satu lapisan tersembunyi unit Z diperlihatkan
pada Gambar 3. Unit keluaran unit Y dan unit-unit tersembunyi serta bias diperlihatkan. Bias pada unit keluaran Yk dilambangkan dengan w0k, bias pada unit tersembunyi Zj dilambangkan
dengan v0j. Istilah bias-bias ini berlaku sebagai bobot pada hubungan unit-unit dengan keluaran selalu satu. Hanya aliran informasi umpan-maju yang diperlihatkan pada gambar.
Selama fase pelatihan perambatan-balik, sinyal dikirim pada arah yang berlawanan.
Y
m
Y1 Yk
Karakteristik yang harus dimiliki oleh fungsi aktivasi jaringan perambatan-balik antara lain harus kontinyu, terdiferensialkan, dan tidak menurun secara monotonis monotonically non-
decreasing. Untuk efisiensi komputasi, turunan fungsi tersebut mudah didapatkan dan nilai turunannya dapat dinyatakan dengan fungsi aktivasi itu sendiri. Fungsi aktivasi yang digunakan
dalam penelitian ini yaitu fungsi sigmoid bipolar yang memiliki jangkauan nilai -1,1 dan didefinisikan sebagai:
1 exp
1 2
− −
+ =
x x
f
σ
1 Langkah-langkah pelatihan jaringan perambatan balik secara terperinci dapat dilihat
pada buku acuan [3], sedangkan diagram alirnya terdapat pada Gambar 4. Sebelum diumpankan ke jaringan syaraf tiruan, data-data karakter yang akan dianalisis
dilakukan proses pengolahan awal praproses. Langkah-langkah praproses pengenalan karakter melibatkan proses normalisasi ukuran karakter yang selanjutnya didekomposisi
menggunakan filter gelombang singkat Haar dua-dimensi [6]. Normalisasi ukuran karakter dilakukan karena tidak samanya ukuran karakter penulis yang satu dengan lainnya. Proses
normalisasi ini menghasilkan pola 16x16 piksel. Proses dekomposisi level pertama Z1
Zj Zp
w
01
w
11
1 w
j1
w
p1
w
0k
w
0m
w
pk
w w
1k
w
1m jk
w
jm
w
pm
X1 Xi
Zn v
01
v
11
1 v
i1
v v
n1 j
v
1p
v
nj
v
1j
v
ij
v
0p
v
ip
v
np
Gambar 3. Jaringan syaraf perambatan-balik dengan satu lapisan tersembunyi
TELKOMNIKA Vol. 3, No. 1, April 2005 : 1 - 11
TELKOMNIKA ISSN: 1693-6930
5
menghasilkan empat subband yang masing-masing berukuran 8x8 piksel yaitu subband yang membawa informasi pola aproksimasi, horisontal, vertikal dan diagonal. Pada dekomposisi
berikutnya yaitu level 2 dihasilkan subband-subband dengan ukuran 4x4 piksel. Semakin tinggi level dekomposisinya akan membuat semakin ‘kehilangan’ cirinya. Oleh
karena itu, sebagai pola masukan jaringan neural digunakan dekomposisi level 2 yaitu subband informasi aproksimasi sehingga jumlah neuron pada lapisan masukan ada 4x4 buah.
Gambar 4. Diagram alir pelatihan jaringan 3. PEMODELAN
SISTEM PENGENALAN KARAKTER
Sebagai masukan adalah vektor yang dihasilkan dari pengolahan citra asli. Citra asli yang berisi data-data karakter tulisan tangan dipayar dengan resolusi 300 dpi. Hasil pemayaran
tersebut kemudian dipotong-potong dan dipilah-pilah sesuai dengan kelas polanya. Langkah- langkah praproses di sini melibatkan proses normalisasi dan dekomposisi. Proses normalisasi
dan dekomposisi menggunakan program bantu Matlab sedangkan program jaringan syaraf tiruan menggunakan program bantu C
++
. Jaringan yang akan dirancang dalam eksperimen ini adalah jaringan perambatan-balik.
Arsitektur jaringan yang akan dibangun memiliki dua komponen. Komponen pertama melibatkan neuron masukan dan keluaran dengan jumlah tetap yaitu sebanyak 4x4 neuron
masukan dan 8 neuron keluaran, dan komponen yang melibatkan neuron pada lapisan tersembunyi yang jumlahnya akan dicari sampai didapatkan hasil yang optimal.
Analisis Hubungan Tingkat Pengenalan Pola………….Iwan Suhardi
ISSN: 1693-6930
6 Sebagai target pengenalan karakter-karakter tulisan tangan digunakan format yang
setara dengan kode ASCII 8 bit untuk mewakili masing-masing kelas karakter huruf besar dan huruf kecil. Artinya masing-masing kelas mempunyai kombinasi 8 bit pembeda yang sesuai
dengan pola karakter yang dilatihkan. Aturan kombinasi 8 bit pembeda tersebut setara dengan kode ASCII 8 bit. Berikut ini disajikan Tabel 1 yang menyatakan kesesuaian target pengenalan
jaringan dengan format yang setara kode ASCII 8 bit
Praproses data karakter
Masukan Citra
Karakter Tulisan
Tangan Huruf Besar
Huruf Kecil Normalisasi ukuran
Gambar 5. Diagram blok pengenalan karakter pada penelitian
Tabel 1. Target pengenalan jaringan pada penelitian
Karakter ASCII 8 bit
Target keluaran
Karakter Huruf Besar
A 0 1 0 0 0 0 0 1
-0.8 0.8 -0.8 -0.8 -0.8 -0.8 -0.8 0.8 B
0 1 0 0 0 0 1 0 -0.8 0.8 -0.8 -0.8 -0.8 -0.8 0.8 -0.8
C 0 1 0 0 0 0 1 1
-0.8 0.8 -0.8 -0.8 -0.8 -0.8 0.8 0.8 D
0 1 0 0 0 1 0 0 -0.8 0.8 -0.8 -0.8 -0.8 0.8 -0.8 -0.8
E 0 1 0 0 0 1 0 1
-0.8 0.8 -0.8 -0.8 -0.8 0.8 -0.8 0.8 F
0 1 0 0 0 1 1 0 -0.8 0.8 -0.8 -0.8 -0.8 0.8 0.8 -0.8
G 0 1 0 0 0 1 1 1
-0.8 0.8 -0.8 -0.8 -0.8 0.8 0.8 0.8 H
0 1 0 0 1 0 0 0 -0.8 0.8 -0.8 -0.8 0.8 -0.8 -0.8 -0.8
I 0 1 0 0 1 0 0 1
-0.8 0.8 -0.8 -0.8 0.8 -0.8 -0.8 0.8 J
0 1 0 0 1 0 1 0 -0.8 0.8 -0.8 -0.8 0.8 -0.8 0.8 -0.8
K 0 1 0 0 1 0 1 1
-0.8 0.8 -0.8 -0.8 0.8 -0.8 0.8 0.8 L
0 1 0 0 1 1 0 0 -0.8 0.8 -0.8 -0.8 0.8 0.8 -0.8 -0.8
M 0 1 0 0 1 1 0 1
-0.8 0.8 -0.8 -0.8 0.8 0.8 -0.8 0.8 N
0 1 0 0 1 1 1 0 -0.8 0.8 -0.8 -0.8 0.8 0.8 0.8 -0.8
O 0 1 0 0 1 1 1 1
-0.8 0.8 -0.8 -0.8 0.8 0.8 0.8 0.8 P
0 1 0 1 0 0 0 0 -0.8 0.8 -0.8 0.8 -0.8 -0.8 -0.8 -0.8
Q 0 1 0 1 0 0 0 1
-0.8 0.8 -0.8 0.8 -0.8 -0.8 -0.8 0.8 R
0 1 0 1 0 0 1 0 -0.8 0.8 -0.8 0.8 -0.8 -0.8 0.8 -0.8
S 0 1 0 1 0 0 1 1
-0.8 0.8 -0.8 0.8 -0.8 -0.8 0.8 0.8 Keluaran :
Huruf Besar Huruf Kecil
Pengenalan Karakter Jaringan
Neural
Dekomposisi
TELKOMNIKA Vol. 3, No. 1, April 2005 : 1 - 11
TELKOMNIKA ISSN: 1693-6930
7
T 0 1 0 1 0 1 0 0
-0.8 0.8 -0.8 0.8 -0.8 0.8 -0.8 -0.8 U
0 1 0 1 0 1 0 1 -0.8 0.8 -0.8 0.8 -0.8 0.8 -0.8 0.8
V 0 1 0 1 0 1 1 0
-0.8 0.8 -0.8 0.8 -0.8 0.8 0.8 -0.8 W
0 1 0 1 0 1 1 1 -0.8 0.8 -0.8 0.8 0.8 0.8 0.8 0.8
X 0 1 0 1 1 0 0 0
-0.8 0.8 -0.8 0.8 0.8 -0.8 -0.8 -0.8 Y
0 1 0 1 1 0 0 1 -0.8 0.8 -0.8 0.8 0.8 -0.8 -0.8 0.8
Z 0 1 0 1 1 0 1 0
-0.8 0.8 -0.8 0.8 0.8 -0.8 0.8 -0.8
Karakter Huruf Kecil
a 0 1 1 0 0 0 0 1
-0.8 0.8 0.8 -0.8 -0.8 -0.8 -0.8 0.8 b
0 1 1 0 0 0 1 0 -0.8 0.8 0.8 -0.8 -0.8 -0.8 0.8 -0.8
c 0 1 1 0 0 0 1 1
-0.8 0.8 0.8 -0.8 -0.8 -0.8 0.8 0.8 d
0 1 1 0 0 1 0 0 -0.8 0.8 0.8 -0.8 -0.8 0.8 -0.8 -0.8
e 0 1 1 0 0 1 0 1
-0.8 0.8 0.8 -0.8 -0.8 0.8 -0.8 0.8 f
0 1 1 0 0 1 1 0 -0.8 0.8 0.8 -0.8 -0.8 0.8 0.8 -0.8
g 0 1 1 0 0 1 1 1
-0.8 0.8 0.8 -0.8 -0.8 0.8 0.8 0.8 h
0 1 1 0 1 0 0 0 -0.8 0.8 0.8 -0.8 0.8 -0.8 -0.8 -0.8
i 0 1 1 0 1 0 0 1
-0.8 0.8 0.8 -0.8 0.8 -0.8 -0.8 0.8 j
0 1 1 0 1 0 1 0 -0.8 0.8 0.8 -0.8 0.8 -0.8 0.8 -0.8
k 0 1 1 0 1 0 1 1
-0.8 0.8 0.8 -0.8 0.8 -0.8 0.8 0.8 l
0 1 1 0 1 1 0 0 -0.8 0.8 0.8 -0.8 0.8 0.8 -0.8 -0.8
m 0 1 1 0 1 1 0 1
-0.8 0.8 0.8 -0.8 0.8 0.8 -0.8 0.8 n
0 1 1 0 1 1 1 0 -0.8 0.8 0.8 -0.8 0.8 0.8 0.8 -0.8
o 0 1 1 0 1 1 1 1
-0.8 0.8 0.8 -0.8 0.8 0.8 0.8 0.8 p
0 1 1 1 0 0 0 0 -0.8 0.8 0.8 0.8 -0.8 -0.8 -0.8 -0.8
q 0 1 1 1 0 0 0 1
-0.8 0.8 0.8 0.8 -0.8 -0.8 -0.8 0.8 r
0 1 1 1 0 0 1 0 -0.8 0.8 0.8 0.8 -0.8 -0.8 0.8 -0.8
s 0 1 1 1 0 0 1 1
-0.8 0.8 0.8 0.8 -0.8 -0.8 0.8 0.8 t
0 1 1 1 0 1 0 0 -0.8 0.8 0.8 0.8 -0.8 0.8 -0.8 -0.8
u 0 1 1 1 0 1 0 1
-0.8 0.8 0.8 0.8 -0.8 0.8 -0.8 0.8 v
0 1 1 1 0 1 1 0 -0.8 0.8 0.8 0.8 -0.8 0.8 0.8 -0.8
w 0 1 1 1 0 1 1 1
-0.8 0.8 0.8 0.8 -0.8 0.8 0.8 0.8 x
0 1 1 1 1 0 0 0 -0.8 0.8 0.8 0.8 0.8 -0.8 -0.8 -0.8
y 0 1 1 1 1 0 0 1
-0.8 0.8 0.8 0.8 0.8 -0.8 -0.8 0.8 z
0 1 1 1 1 0 1 0 -0.8 0.8 0.8 0.8 0.8 -0.8 0.8 -0.8
Kesesuaian target keluaran pada kolom ketiga pada Tabel 1 dapat dilihat dari kode 0 dan 1 pada kode ASCII menjadi -0.8 dan 0.8 pada target.
Analisis Hubungan Tingkat Pengenalan Pola………….Iwan Suhardi
ISSN: 1693-6930
8
4. HASIL DAN PEMBAHASAN 4.1 Hasil Praproses
